- Description
- Un lac-miroir et une montagne
- Source
- Oregon's Mt. Hood Territory. · page d’origine
- Licence
- PD Domaine public
Comprendre les biais cognitifs
Un biais n'est pas une faute : c'est un raccourci du cerveau qui réussit presque toujours, et se trompe dans des situations prévisibles.
En bref
- Un biais est une erreur systématique et prévisible, pas un oubli ni de la mauvaise foi.
- Les projets et les équipes cumulent les conditions où ils frappent : incertitude, pression, retours tardifs.
- La volonté ne suffit pas : on s'en protège par des méthodes (vue extérieure, estimations indépendantes, pré-mortem, critères écrits).
- Chaque fiche donne une fréquence, des domaines, des signaux et des réflexes.
Ce qu'est un biais cognitif#
Un biais cognitif est un écart systématique entre ce que l'on juge ou décide et ce qu'une analyse rigoureuse donnerait. Le mot compte : systématique. Une erreur au hasard se compense avec le temps ; un biais pousse toujours du même côté, et c'est ce qui le rend dangereux, mais aussi prévisible.
Ce n'est pas la même chose que :
- l'ignorance : on ne sait pas, alors qu'avec un biais on pourrait savoir ;
- la mauvaise foi : celui qui est victime d'un biais est sincère ;
- l'émotion : certains biais sont émotionnels, beaucoup sont purement mécaniques.
Le programme de recherche « heuristiques et biais » a été lancé par Amos Tversky et Daniel Kahneman dans les années 1970. Leur article de 1974 décrit trois raccourcis fondateurs : la représentativité (on juge selon la ressemblance à un modèle), la disponibilité (on juge selon la facilité à se rappeler des cas) et l'ancrage et ajustement (on part d'une valeur et on corrige trop peu).
Pourquoi le cerveau fait cela#
Penser coûte de l'énergie et du temps. Le cerveau utilise donc des heuristiques : des règles simples, rapides, souvent exactes. Kahneman les range sous l'image d'un « système 1 » (rapide, automatique) et d'un « système 2 » (lent, délibéré). C'est un modèle commode, pas une description anatomique.
Gerd Gigerenzer défend que ces heuristiques ne sont pas des défauts : dans un environnement réel, incertain, une règle simple bat souvent un calcul sophistiqué. Les deux points de vue se rejoignent sur l'essentiel : le raccourci est bon dans un environnement qu'il connaît, mauvais dans un environnement qui le piège.
Pourquoi en informatique et en management#
Kahneman et Gary Klein (2009) ont précisé quand l'intuition d'un expert est fiable : il faut un environnement suffisamment régulier et des retours rapides et clairs qui permettent d'apprendre. Un projet informatique remplit rarement ces conditions :
- chaque projet est unique : l'expérience se transfère mal ;
- le retour est tardif : on sait si une estimation était bonne des mois plus tard ;
- on décide sur des estimations, par nature incertaines ;
- on décide en groupe et sous une hiérarchie ;
- la pression (délais, budget, attentes) dégrade la délibération.
Le management ajoute une difficulté : juger des personnes sur peu d'observations, avec des enjeux personnels.
Comment lire les fiches#
Chaque fiche suit le même plan : définition, mécanisme, où on le rencontre, signaux de détection, réflexes d'évitement, puis Voir aussi et sources. En tête, deux repères.
La fréquence#
Une appréciation qualitative, dans le contexte d'un projet informatique ou d'une équipe :
| Niveau | Jauge | Sens |
|---|---|---|
| Omniprésent | On le croise presque à chaque projet ou chaque semaine. | |
| Fréquent | Plusieurs fois par projet. | |
| Occasionnel | Quelques fois par an, dans des situations typiques. | |
| Rare | Seulement dans des contextes particuliers. |
Il n'existe pas de statistique fiable de la fréquence de chaque biais en projet informatique. Ces niveaux sont un jugement fondé sur la littérature et la pratique courante du métier, à discuter, pas à citer comme un chiffre.
L'aide de l'IA#
Quand l'IA peut contribuer à repérer ou à atténuer le biais, la fiche affiche une seconde jauge, en bleu, et un clic dessus mène directement à la section « Avec l'IA », où l'on trouve ce qu'elle peut faire (détecter, remédier, atténuer), des prompts prêts à l'emploi et les précautions.
| Niveau | Jauge | Sens |
|---|---|---|
| Forte | L'IA fait l'essentiel du travail de détection ou de correction. | |
| Bonne | Un vrai gain, à condition de garder des garde-fous. | |
| Partielle | Elle aide, mais subit elle aussi le piège : l'ordre et la formulation des demandes comptent. | |
| Limitée | Peu d'apport, ou risque d'aggraver le biais. |
Les modèles de langage ne sont pas neutres : ils tendent à approuver ce que l'utilisateur pense déjà (complaisance), subissent l'ancrage et reproduisent des biais présents dans leurs données. Les prompts de ce site demandent donc explicitement un avis contraire, et placent l'IA du côté de la méthode plutôt que du jugement. Une étude de l'université Aalto suggère aussi que l'usage d'une IA peut faire surestimer sa propre performance.
Les domaines#
Les pastilles « Où le rencontre-t-on » indiquent les moments précis où le biais se manifeste : chiffrage, comité, recrutement, revue de code, négociation… Un même biais figure dans plusieurs domaines.
Les auteurs#
Quand les auteurs d'un biais sont connus, un cadre à droite de la définition rappelle qui ils sont : un avatar dessiné par le site (ses traits s'inspirent de la personne quand une photo existe, sinon ils sont tirés au hasard ; il ne ressemble pas à la personne), nationalité (drapeau), dates de naissance et de mort. Survolez l'avatar pour l'agrandir.
Les liens entre biais#
Les biais se combinent. La section « Voir aussi » distingue trois relations : se combine avec, ou renforce (ils se nourrissent), biais voisins (variantes à ne pas confondre) et contrepoids (ce qui les neutralise).
Tous les liens entre les fiches sont réunis dans La carte des liens entre biais : biais regroupés par famille, filtres par famille, type de lien et fréquence, recherche par nom.
Trois idées pour s'en prémunir#
- Ne comptez pas sur la vigilance. Savoir qu'un biais existe ne l'empêche presque jamais d'agir. Ce qui fonctionne, c'est de changer la situation : décider avec une procédure, pas avec de la bonne volonté.
- Prenez la vue extérieure. Plutôt que de raisonner sur « ce projet-ci », regardez comment se sont passés les projets semblables. C'est la parade la plus efficace contre l'optimisme.
- Rendez la décision visible et contestable. Estimations indépendantes avant discussion, critères écrits avant l'évaluation, un « avocat du diable » désigné, un pré-mortem (« imaginons que le projet a échoué : pourquoi ? »), un journal des décisions pour comparer plus tard prévu et réel.
Limites et précautions#
- Tout n'est pas établi au même degré. Certains effets, très cités, ont été fragilisés par des réplications difficiles (c'est aussi discuté pour Dunning-Kruger). Chaque fiche signale ce qui est solide et ce qui l'est moins.
- Les taxonomies divergent. Plusieurs centaines de « biais » sont recensés, beaucoup se chevauchent. Les regroupements de ce site sont des choix de lecture, pas une classification officielle.
- Ne jouez pas à l'inquisiteur. Dire à un collègue « c'est un biais d'ancrage » clôt la discussion au lieu de l'ouvrir. Servez-vous d'abord de ces fiches pour vos décisions, puis pour améliorer le processus du groupe, rarement pour diagnostiquer quelqu'un.
- Connaître un biais n'immunise pas. Les experts y sont sujets, souvent avec plus d'assurance.
Sources et vérification#
- Tversky & Kahneman (1974), « Judgment under Uncertainty: Heuristics and Biases », Science — l'article fondateur.
- Kahneman & Klein (2009), « Conditions for intuitive expertise: A failure to disagree », American Psychologist — quand l'intuition d'un expert est fiable.
- Gigerenzer & Gaissmaier (2011), « Heuristic Decision Making », Annual Review of Psychology — le point de vue sur la rationalité écologique des heuristiques.
- Klein (2007), « Performing a Project Premortem », Harvard Business Review — la méthode du pré-mortem.
- Kahneman (2011), Thinking, Fast and Slow (en français : Système 1, Système 2 : les deux vitesses de la pensée) — synthèse grand public.
- Sharma et coll. (2023), « Towards Understanding Sycophancy in Language Models » — la complaisance des modèles de langage.
- Université Aalto (2025), « AI use makes us overestimate our cognitive performance » — communiqué sur l'étude de Fernandes et coll.
